3. 数据质控 - PCA、热图

rm(list = ls())  
load(file = "step1output.Rdata")
load(file = "step2output.Rdata")

#输入数据：exp（表达矩阵）和group_list（分组信息）
#Principal Component Analysis（PCA图，主成分分析图）
#PCA代码来源：http://www.sthda.com/english/articles/31-principal-component-methods-in-r-practical-guide/112-pca-principal-component-analysis-essentials

dat=as.data.frame(t(exp))
library(FactoMineR)             #画主成分分析图需要加载这两个包。
library(factoextra)             #画主成分分析图需要加载这两个包。
# pca的统一操作
dat.pca <- PCA(dat, graph = FALSE)
pca_plot <- fviz_pca_ind(dat.pca,
                         geom.ind = "point",                   #仅显示点（但不是“文本”）（show points only (nbut not "text")）。
                         col.ind = group_list,                 #按分组信息赋予颜色（color by groups）。
                         #palette = c("#00AFBB", "#E7B800"),   #如需设置非默认颜色，将此行代码的“#”去掉并修改颜色，颜色个数需与分组个数相同。
                         addEllipses = TRUE,                   #浓度椭圆（Concentration ellipses）。
                         legend.title = "Groups"               #注释标题。
)
pca_plot
ggsave(plot = pca_plot,filename = paste0(gse,"PCA.png"))      #保存PCA图（.png格式）。
save(pca_plot,file = "pca_plot.Rdata")                        #保存PCA对象 。

#热图 
cg=names(tail(sort(apply(exp,1,sd)),1000))              #取表达矩阵exp中标准差最大的1000个探针的名字。
n=exp[cg,]                                              #取表达矩阵exp中标准差最大的1000个探针。

#绘制热图
annotation_col=data.frame(group=group_list)             #生成含有一列值的数据框，列名为“group”，值为分组信息（group_list）。
rownames(annotation_col)=colnames(n)                    #行名为表达矩阵exp中标准差最大的1000个探针的名字。
library(pheatmap)
pheatmap(n,
         show_colnames =F,                              #不显示列名。
         show_rownames = F,                             #不显示行名。
         annotation_col=annotation_col,                 #按分组进行列注释。
         scale = "row")                                 #按行标度。

dev.off()                                               #关闭画板。若运行代码后不出图也不报错，可能是画板被占用，运行此行代码即可。

 PCA代码来源：http://www.sthda.com/english/articles/31-principal-component-methods-in-r-practical-guide/112-pca-principal-component-analysis-essentials